申请/专利权人：南京富尔登科技发展有限公司

申请日：2021-10-27

公开（公告）日：2024-07-05

公开（公告）号：CN113962314B

主分类号：G06F18/2413

分类号：G06F18/2413;G06F18/25;G06F18/10;G06N3/0442;G06N3/098;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.02.15#实质审查的生效;2022.01.21#公开

摘要：本发明公开了一种基于联邦学习的非侵入式企业负荷分解方法，包括如下步骤：S1：负荷预测数据预处理；S2：基于空洞卷积和LSTM网络，建立本地模型；S3：服务器端基于改进的联邦学习模型实现联合训练。该种基于联邦学习的非侵入式企业负荷分解方法，基于空洞残差卷积的长短期记忆、联邦学习的模型，提出一种基于时序网络的联邦学习算法，用于解决负荷分解的数据孤岛问题。本专利算法模型既保护了用户的隐私问题，还能够将预测的速度能够大大提高。联邦学习作为一种新型的分布式机器学习，在通过分布式加密训练技术保证用户的隐私安全，提升了用户对当下人工智能技术的信任度。

主权项：1.一种基于联邦学习的非侵入式企业负荷分解方法，其特征在于，包括如下步骤：S1：负荷预测数据预处理,将数据进行归一化处理，数据采集的片段为全天，在空闲时间段产生的数据因当将其当作噪声进行剔除，将采集的数据划分为等序列长度的负荷数据，具体的操作步骤如下：S1-1、以企业为单位，每30分钟来收集一次数据，全天可获得48条数据信息，将获得的数据按企业数量为单位进行制作电力数据集D，每个企业按照设备的类型不同各个数据集的大小存在差异，在数据预处理时暂不处理，就按原本数据进行分类制作电力数据集D；S1-2、采用深度学习算法进行监控设备的使用情况，并在数据输入神经网络之前，将维度转换成统一的维度，将每个数据分段成恒等长度的向量，即现实数据的窗口化操作；S1-3、在合成所有收集的数据之后，将其分成训练集、测试集和验证集三个组成部分，以便更好地训练和更准确地评价，将Q1数据作为训练序列，Q2作为测试序列和Q3作为验证集，其中验证集Q3在服务器端，用来进行验证全局模型的准确率；S2：基于空洞卷积和LSTM网络，建立本地模型，目的是对数据进行特征提取，具体的操作步骤如下：S2-1、采用空洞卷积操作，增加捕获更多的特征信息；S2-2、利用空洞残差聚合卷积网络和特征融合，保留有效负荷数据之间的相关性；S2-3、将有效数据进行差分处理，剔除不必要的特征信息；S2-4、将差分处理后的电力数据输入到LSTM网络中，进行时序特征提取；S2-5、利用全连接层建立本地模型，在LSTM网络的输出处，采用一个全连接层，来将输出的信息利用支持向量机来实现，MLP为简单的输入层、隐藏层和输出层三层结构，其中输入为LSTM的输出，隐藏层为100个神经元，输出的大小同输入，最终MLP的输出层为本地模型输出，至此本地模型建立完成定义为wlocals；S2-6、设置局部模型的损失函数，损失函数公式为： 其中为当前模型参数下的预测值，wt表示t时刻的权值，表示第k个电力数据集Dk中第i个样本，x表示标签真实值，y表示预测值，nk表示第k个数据集的样本数目，为第k个数据集中的对数损失函数，为求和函数符号，log为对数符号，将数据集在本地进行LSTM模型训练；由上述公式能够得出第k个参与方的损失函数，进而根据Adam优化器更新各局部模型的模型参数；S3：服务器端进行联合训练模型，目的是实现在不侵犯企业用户隐私的情况下，监测企业是否开启治污设备，具体的操作步骤如下：S3-1、通过上述S2-6过程更新局部模型参数之后，上传到终端服务器中，进行聚合生成全局模型；S3-2、采用熵权法确定各个本地模型权重系数；S3-3、将基于空洞卷积和LSTM网络的联合训练模型返回给各个本地客户端，至此一轮联邦学习模型训练完成。

全文数据：

权利要求：

百度查询： 南京富尔登科技发展有限公司 一种基于联邦学习的非侵入式企业负荷分解方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD